A onda de intrusões automatizadas que varreu o setor de tecnologia nos últimos meses não é um evento isolado — é o sintoma de uma mudança de paradigma que a cibersegurança mundial mal consegue articular. O que acontecia há dois anos apenas em manuais de inteligência estatal agora roda em workstations convencionais, a custo de centavos por execução.
A reportagem central sobre o tema, divulgada no podcast Decoder do The Verge na última semana, traz Alex Stamos, chief security officer da Cognition e pesquisador do Centro de Política de Cibersegurança de Stanford, descrevendo um cenário que ele chama de "idade das trevas". A metáfora não é gratuita: Stamos compara a situação atual ao início da era da internet, nos anos 1990, quando pequenos grupos underground descobriam vulnerabilidades em larga escala — mas com uma diferença crucial. Naquela época, as redes eram principalmente acadêmicas e isoladas; hoje, a mesma ferramentas expõem o comércio global conectado.
O que mudou tecnicamente? Segundo Stamos, os chamados "modelos de pesos abertos" — modelos de inteligência artificial cujos pesos são publicamente acessíveis e podem ser executados localmente — eliminaram a barreira que antes limitava ataques automatizados a serviços comerciais de inteligência artificial com guardrails de segurança e logs rastreáveis por autoridades. Um modelo GLM-5.3 quantizado e "obliterado" (sem os filtros de segurança embutidos) roda em um Mac Studio com hardware consumer e executa tooling ofensiva de forma independente.
Mas o conceito mais revelador que Stamos apresentou é o da "inversão da cadeia de morte" (kill chain inversion). Tradicionalmente, grupos de ameaça gastavam semanas ou meses conduzindo pesquisa manual de vulnerabilidades, escrevendo código de exploit e escalando operadores humanos para implantar payloads contra alvos selecionados. A operação era essencialmente um processo de estoque: pesquisar, criar, armazenar, depois disparar. O novo fluxo inverte essa lógica. Engines de software automatizados inspecionam a infraestrutura do alvo em tempo real, detectam vulnerabilidades e geram código de exploração operacional específico para aquele ambiente, sem necessidade de intervenção humana prévia. A velocidade de descoberta elimina a janela de resposta defensiva que as equipes de segurança tradicionalmente usavam para corrigir fragilidades conhecidas.
Um caso concreto ilustra a escala: o framework ARTEX, uma ferramenta de código aberto chinesa com tradução em inglês disponível no GitHub. Quando conectada a um back-end de modelo de pesos abertos não filtrado, como o GLM-5.3 obliterado, o sistema escaneia redes alvo, mapeia fragilidades não corrigidas e escreve payloads personalizados. Campanhas com essa arquitetura começaram com três bancos sul-coreanos e, numa semana, atingiram cerca de 200 organizações adicionais.
O que torna o problema ainda mais complexo é a cadeia de suprimentos de ferramentas de desenvolvimento. Ataques recentes exploraram a infraestrutura de providers de IA — o caso do Fireworks AI, onde credenciais de API foram exfiltradas de jobs de avaliação de clientes, e depois usadas para acessar a plataforma Cursor, onde um plugin malicioso foi distribuído para até 5.000 ambientes corporativos. Cada uma dessas empresas se tornou, potencialmente, um ponto de entrada secundário.
Do lado defensivo, o problema econômico é igualmente devastador. Stamos aponta que o custo marginal de tokens para atacantes usando modelos abertos em hardware commodity é próximo de zero. Para o defensor, porém, a equação é radicalmente diferente: equipes de segurança lidam com milhares de vulnerabilidades simultâneas, cada uma exigindo triazagem manual, priorização e correção. Bug bounties, conferências de segurança e normas de divulgação responsável — mecanismos que mantiveram algum equilíbrio por décadas — não escalam na velocidade que os agentes automatizados operam.
Os dados de benchmark corroboram a urgência. Testes da Vals AI mostraram que o DeepSeek V4.1 Flash (modelo de pesos abertos) completou cerca de 73% dos objetivos em seus CyberOffense ranges contra 81% do GPT-6 Sol (modelo restrito da OpenAI), custando menos de US$ 3 por execução contra US$ 22 do modelo proprietário. A diferença de performance se reduz ainda mais quando se considera que modelos abertos precisam de mais tokens para alcançar progresso significativo — avaliações curtas subestimam sistematicamente sua capacidade. O UK AI Security Institute estimou que a defasagem entre modelos abertos e fechados caiu para quatro a sete meses, contra seis a dez meses em 2025.
A resposta do setor já começou, mas ainda é fragmentada. A Mozilla passou a publicar atualizações semanais do Firefox para reduzir o "patch gap". O Japão aprovou um pacote emergencial de ¥10 bilhões em cibersegurança. A OpenAI classificou seu GPT-6 Cyber como "Critical" para segurança e o limita a clientes aprovados do Daybreak Red. A Cognition, empresa onde Stamos trabalha, tem enviado equipes para ajudar empresas comprometidas. Mas nenhum desses movimentos escala na velocidade necessária.
A infraestrutura de defesa digital ainda não sabe se conseguirá se adaptar antes que os atacantes alcancem maturidade operacional completa — ou se vamos passar por anos de atrio operacional sustentado até que organizações reimaginem completamente suas arquiteturas de rede, isole ambientes de desenvolvimento sensíveis e implementem agentes autônomos capazes de corrigir código comprometido na velocidade de uma máquina.
Fontes: The Verge, MLQ News, SafeDep
✓ Fontes independentes cruzadas e verificadas antes da publicação
